import re # 正则表达式库
import collections # 词频统计库
import numpy as np # numpy数据处理库
import jieba # 结巴分词
import wordcloud # 词云展示库
from PIL import Image # 图像处理库
import matplotlib.pyplot as plt # 图像展示库
读取文件
fn = open('sb.txt','r',encoding='utf-8') # 打开文件
string_data = fn.read() # 读出整个文件
fn.close() # 关闭文件
文本预处理
pattern = re.compile(u'\t|\n|.|-|:|;|)|(|?\、。u"') # 定义正则表达式匹配模式
string_data = re.sub(pattern, '', string_data) # 将符合模式的字符去除
文本分词
seg_list_exact = jieba.cut(string_data, cut_all = False) # 精确模式分词
object_list = []
remove_words = [u'、', u',',u'。', u'是', u'对于', u'\u2002',u'等',u'能',u'都',u'。',u' ',u'、',u'中',u'在',u'了',
u'需要'] # 自定义去除词库
for word in seg_list_exact: # 循环读出每个分词
if word not in remove_words: # 如果不在去除词库中
object_list.append(word) # 分词追加到列表
词频统计
word_counts = collections.Counter(object_list) # 对分词做词频统计
word_counts_top20 = word_counts.most_common(20) # 获取前20最高频的词
print (word_counts_top20) # 输出检查
word_counts_top10 = str(word_counts_top20)
词频展示
mask = np.array(Image.open('地图2222.png')) # 定义词频背景
wc = wordcloud.WordCloud(
font_path='simfang.ttf', # 设置字体格式
mask=mask, # 设置背景图
max_words=300, # 最多显示词数
max_font_size=100, # 字体最大值
background_color='white',
width=1920, height=1080#设置宽和高
)
wc2 = wc.generate(word_counts_top10)
#wc.generate_from_frequencies(word_counts) # 从字典生成词云
plt.imshow(wc2) # 显示词云
plt.axis('off') # 关闭坐标轴
plt.savefig('G:\词云.jpg', dpi=600, bbox_inches='tight')
plt.show() # 显示图像
#wc.to_file('wor.png')